TACE：肿瘤感知反事实解释
计算机视觉与模式识别
2024-09-23 v1 机器学习
摘要
深度学习在医学成像中的应用显著提升了诊断能力，提高了准确性和效率。尽管有这些益处，但这些 AI 模型缺乏透明度（通常被称为“黑盒”），引发了人们对其在临床环境中可靠性的担忧。可解释 AI (XAI) 旨在通过开发使 AI 决策可理解且可信赖的方法来缓解这些担忧。在本研究中，我们提出了肿瘤感知反事实解释 (TACE)，这是一个旨在为医学图像生成可靠反事实解释的框架。与现有方法不同，TACE 专注于修改肿瘤特定特征而不改变整体器官结构，从而确保反事实的保真度。我们通过在生成过程中包含一个额外步骤来实现这一点，该步骤允许仅修改感兴趣区域 (ROI)，从而产生更可靠的反事实，因为器官的其余部分保持不变。我们在乳腺 X 光摄影图像和脑部 MRI 上评估了我们的方法。我们发现我们的方法在反事实的质量、保真度和生成速度方面远超现有的 SOTA 技术。事实上，更忠实的解释导致分类成功率显著提高，乳腺癌提高了 10.69%，脑肿瘤提高了 98.02%。我们的工作代码可在 https://github.com/ispamm/TACE 获取。
引用
@article{arxiv.2409.13045,
title = {TACE: Tumor-Aware Counterfactual Explanations},
author = {Eleonora Beatrice Rossi and Eleonora Lopez and Danilo Comminiello},
journal= {arXiv preprint arXiv:2409.13045},
year = {2024}
}
备注
The paper has been accepted at Italian Workshop on Neural Networks (WIRN) 2024